数据驱动的超分辨率的双刃剑：对抗性超分辨率模型
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
数据驱动的超分辨率（SR）方法常被集成到成像流水线中作为预处理步骤，以提高下游任务（如分类和检测）的性能。然而，这些 SR 模型引入了一个此前未知的攻击面到成像流水线中。本文提出 AdvSR 框架，演示对抗性行为可直接嵌入 SR 模型权重中，在推理时无需访问输入。不同于先前依赖扰动输入或依赖后门触发器的攻击，AdvSR 完全在模型层面运行。通过联合优化重建质量和定向对抗结果，AdvSR 产生的模型在标准图像质量指标下看似良好，但会诱发下游误分类。我们在三个 SR 架构（SRCNN、EDSR、SwinIR）配合 YOLOv11 分类器上评估 AdvSR，表明其可实现高攻击成功率，同时保持最小质量退化。这些发现凸显了成像流水线新型模型级威胁，对实践者如何来源和验证模型具有重要警示意义，尤其是在安全关键应用中。
引用
@article{arxiv.2602.07251,
title = {The Double-Edged Sword of Data-Driven Super-Resolution: Adversarial Super-Resolution Models},
author = {Haley Duba-Sullivan and Steven R. Young and Emma J. Reid},
journal= {arXiv preprint arXiv:2602.07251},
year = {2026}
}